Ming-3.0-audio-flash مقابل Qwen-Audio-3.1: مجلد يمكنك تنزيله مقابل كتالوج لا يمكنك إلا استدعاؤه

هناك نسخة من هذه المقارنة كان من السهل كتابتها، وستكون خاطئة. كانت ستضع Ming-3.0-audio-flash وQ​wen-Audio-3.1 كنموذجين صوتيين صينيين، وتضع عدد معاملاتهما في صف واحد، وتعلن فائزًا. المشكلة أن Q​wen-Audio-3.1 غير موجود كنقطة تحقق يمكنك وزنها. إنه موجود كمجموعة من معرّفات النماذج المستضافة في كتالوج Model Studio لدى A​libaba — qwen-audio-3.1-realtime-plus، qwen-audio-3.1-asr-flash-streaming، qwen-audio-3.1-asr-flash-filetrans — دون نشر أوزان على Hugging Face ودون عدد معاملات علني. أما Ming-3.0-audio-flash فهو العكس: 126 مليار معامل إجمالًا، و6.5 مليارات نشطة، ورخصة MIT، ويقع في مستودع تقوم باستنساخه. أحدهما مجلد. والآخر خط منتجات تستأجره لكل استدعاء. كل سؤال ذي معنى حول هذين يتبع ذلك التباين، ولا يمكن الإجابة عن أي من أسئلة جدول القياس المعتادة على الإطلاق. إن حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات كهذه مجموعة في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وثقته وعلامة كونه محل نزاع.

يستحق تتبّع النسب فقرةً، لأنه يفسّر لماذا يبدو الاثنان قابلين للمقارنة وهما ليسا كذلك. وصل Ming-3.0-audio-flash على طريقة الأوزان أولًا: رُفع إلى Hugging Face في 3 سبتمبر 2026 دون أي إعلان، ثم بقي غير قابل للاستخدام لستة أسابيع إلى أن نُشر كود التشغيل والأمثلة بين 15 و19 أكتوبر. وصل Q​wen-Audio-3.1 على طريقة الكتالوج أولًا: ثلاثة معرّفات نماذج مدرجة في وثائق Model Studio من A​libaba Cloud ضمن فئتي التعرف على الكلام والكلام-إلى-كلام، موصوفة بسطر واحد لكل منها، دون أن تتضمن صفحات التفاصيل المواصفات. يمثّل ذلك نمطي الإصدار السائدين في 2026 ضمن مواجهة واحدة — المختبر المفتوح الذي ينشر مستودعًا ويترك العالم يلحظ ذلك، والسحابة التي تطلق SKUs وتجعل الوثائق هي الإطلاق.

ما يمنحك إياه كل واحد منها في الواقع

• ما تحصل عليه — Ming: نقطة تحقق MoE بحجم 126 مليار معامل تقريبًا، ومعالج، ومُرمِّز رموز، وأصول Talker، ونصوص برمجية للتقديم وأمثلة. Qwen-Audio-3.1: بيانات اعتماد API وثلاثة أسماء لنقاط النهاية.

• ما يمكنك فحصه — Ming: البنية المعمارية، الترخيص، لوحات المعايير، YAML النشر، الإعدادات الصوتية المسبقة. Q​wen-Audio-3.1: تسمية فئة ووصف من جملة واحدة لكل SKU.

• الترخيص — Ming: MIT، للأوزان والشيفرة. Q​wen-Audio-3.1: الشروط التجارية لـ Model Studio؛ لا يوجد ترخيص للأوزان لأنه لا توجد أوزان.

• أين يعمل — Ming: وحدات GPU الخاصة بك، ورفّك، وعزلك الهوائي. Q​wen-Audio-3.1: البنية التحتية لـ A​libaba، في المناطق التي تخدمها.

• نمط الفشل — مينغ: أنت مسؤول عن البيجر. Q​wen-Audio-3.1: أي مشكلة في الحصة أو المنطقة أو الحساب تُعد تذكرة دعم.

• السعر — Ming: العتاد. Q​wen-Audio-3.1: غير منشور في فهرس النماذج؛ تحتاج إلى صفحات التفاصيل أو لوحة التحكم.

ذلك السطر الأخير ليس مراوغة. يسرد فهرس النماذج في Model Studio معرّفات Q​wen-Audio-3.1 الثلاثة ضمن فئاتها، ولا يتضمّن التسعير أو نافذة السياق أو تغطية اللغات في تلك الصفحة. لم يتم الوصول إلى وثائق التفاصيل المرتبطة عند التحقق منها. القول إن «Q​wen-Audio-3.1 يكلّف X» سيكون اختلاقًا لرقم، كما أن طبيعة المنتج تعني أن الرقم سيتغيّر على أي حال.

وحدات SKU الثلاث ليست طرازًا واحدًا، وهذا أمر مهم

هذا هو الجزء الذي تفوته معظم المقارنات. Q​wen-Audio-3.1 ليس شيئًا واحدًا تختبره بمعيار أداء. يقسّمه الكتالوج إلى ثلاثة أقسام:

qwen-audio-3.1-asr-flash-streaming هو التعرف على الكلام المقدَّم كتدفق — وحالة الاستخدام الواقعية هي التسميات التوضيحية المباشرة أو نسخة نصية للمكالمة تصل أثناء حدوثها.

qwen-audio-3.1-asr-flash-filetrans هي مهمة التعرّف نفسها لكن على شكل دفعات على ملف. تشير كلمة «Flash» في كلا الاسمين إلى فئة سرعة وتكلفة لا إلى فئة جودة، رغم أن Alibaba لا توثّق هذا التمييز في الفهرس.

qwen-audio-3.1-realtime-plus هو الخيار المثير للاهتمام. يصفه الفهرس بأنه "محادثة صوتية من طرف إلى طرف دون استدعاءات منفصلة للتعرّف الآلي على الكلام وتحويل النص إلى كلام" — نقطة نهاية من الكلام إلى الكلام، وplus توحي بأنه المستوى الأكثر اكتمالاً من بين مستويَي الزمن الحقيقي.

يجمع Ming-3.0-audio-flash كل ذلك في أثر واحد. فالتعرّف وفهم الصوت الطويل والاستدلال الصوتي وإخراج الكلام الاختياري أوضاعٌ لنقطة التحقق نفسها، تُختار عبر الموجّه وعبر ملف تعريف الخدمة بدلًا من اختيار SKU مختلف. يضم المستودع ملف تعريف ASR، وملف تعريف نصيًا، وملف تعريف لإخراج الصوت؛ ويطلب موجّه ASR من النموذج تسمية اللغة المنطوقة ووضع علامة جدولة بين التسمية والنص المنسوخ.

أي ترتيب أفضل يعتمد على ما تبنيه. وجود ثلاث وحدات SKU يعني أنك تدفع مقابل التعرّف عندما لا تحتاج إلا إلى التعرّف، ولا تتحمّل تكلفة استدلال نموذج بحجم 126B في مهمة نسخ. أما وجود نقطة تحقق واحدة فيعني أن النص المنسوخ وتحليل ذلك النص يأتيان من النموذج نفسه، دون فقدان في التسلسل بينهما — ولا وجود لنمط الفشل القائل «قال ASR 'their'، وخمّن نموذج الاستدلال خطأً»، لأنه لا يوجد نموذج ثانٍ.

لماذا لا يوجد معيار نزيه هنا

تنشر Ming-3.0-audio-flash ثلاث لوحات تقييم — التعرف على الكلام، والذكاء الصوتي، والنصوص — على شكل صور في مستودعها على GitHub. جميع القيم نسب مئوية، والأعلى أفضل باستثناء ما يشير سهم إلى خلاف ذلك، والنتائج المميزة بنجمة هي نتائج الفريق نفسه. يضيف المستودع ملاحظة مفادها أن نماذج المقارنة أُعيد إنتاجها وفق إعداد التقييم الخاص بـ inclusionAI، وقد تختلف عن التقارير الرسمية لتلك النماذج بسبب المطالبات وإعدادات فك التشفير والإصدارات وخطوط المعالجة.

لا تنشر Qwen-Audio-3.1 أي جدول معايير على صفحة الفهرس الخاصة بها. كما لا تكشف وثائقها التفصيلية عن أي منها. وبالتالي لا توجد مجموعة اختبار مشتركة، ولا إعداد فك ترميز مشترك، ولا طرف مستقل قام بتقييم كليهما.

البيان الوحيد القابل للدفاع هو بيان سلبي: لا يملك أي من الطرفين رقمًا يمكن مقارنة الآخر به. إذا عرضت عليك مقالة مقارنة Ming-3.0-audio-flash وQwen-Audio-3.1 في عمودين متجاورين مع نسب مئوية، فقد جمعت بين تقييم ذاتي من مورّد وواجهة برمجة تطبيقات غير مقيسة، وترتيب الأعمدة هو ما يقوم بالإقناع.

مسألة التكلفة، مُعاد تأطيرها

لأن معدلات Qwen-Audio-3.1 لكل رمز أو لكل ثانية ليست موجودة في الفهرس العام، فإن المقارنة المفيدة ليست بين السعر والسعر، بل بين بنية التكلفة وبنية التكلفة.

يتمتع التسعير على أساس الدفع مقابل كل استدعاء بميزة هائلة واحدة: فهو يتتبع استخدامك بدقة تامة، ويكون صفرًا عندما يكون استخدامك صفرًا. وبالنسبة لمنتج ذي حركة مرور متقلبة — فريق امتثال يفرّغ نصيًا ألف مكالمة في آخر يوم من الربع ولا شيء لمدة أحد عشر أسبوعًا — فإن ذلك حاسم. لا يمكنك التغلب على الفوترة لكل مكالمة باستخدام وحدات معالجة رسومات مملوكة في عبء عمل متقلب، لأن وحدات معالجة الرسومات تُحتسب تكلفتها طوال الأسابيع الخاملة.

للأوزان المملوكة الفضيلة الانعكاسية نفسها: فالتكلفة الحدية للساعة الألف تكاد تكون صفرًا، ولا تتغير عندما يعيد مورّد تسعير منتجه. وبالنسبة لمنتج ذي حمل ثابت — مركز اتصال يعمل بطاقة 60% كل يوم من أيام الأسبوع — تُطفأ التكلفة الثابتة تدريجيًا ويصبح الرقم لكل ساعة أقل من أي بطاقة أسعار. نقطة التقاطع هي حساب استغلال، لا معيار مرجعي، وهي مختلفة لكل فريق.

الحد الأدنى للعتاد لدى Ming هو الرقم الذي يحسم الأمر. الملف المرجعي للسياق الكامل البالغ 128K مع إخراج الكلام هو التوازي الموتر عبر ثماني بطاقات H800 بسعة 80 GB. هناك ملف SGLang مُتحقَّق منه على أربع بطاقات GPU، لكنه نصّي فقط — إذ تفقد Talker. على أربع بطاقات GPU تكون المقارنة بين Ming بصفته ناسخًا وبين إصدارات ASR من Qwen؛ وعلى ثماني بطاقات تكون المقارنة بين Ming بصفته محاورًا وبين qwen-audio-3.1-realtime-plus. هذان قراران مختلفان وينبغي اتخاذهما كلٌّ على حدة.

حيث يكسب الموجّه مكانه هنا هو في مرحلة التجربة. فأنت لا تريد أن تكتشف أن نقطة تحقق مفتوحة أداؤها ضعيف على صوتك بعد أن تكون قد اشتريت الرف. إن تشغيل وحدات SKU المستضافة والمرشّح المستضاف ذاتيًا خلف نقطة نهاية واحدة يتيح لك مقارنتهما A/B على حركة المرور نفسها: أكثر من 200 طراز بمفتاح واحد، وسعر قائمة المزوّد يُمرَّر من دون أي هامش، مع تجاوز فشل تلقائي إذا تدهورت إحدى المسارات. وعندما يتفوّق الجانب المستضاف ذاتيًا على تسجيلاتك الخاصة، تُغيّر النسبة المئوية؛ وعندما لا يتفوّق، لا يتعطّل شيء.

اللغات، واللهجات، والشيء الذي تقوله كلتا البطاقتين

يسرد Ming-3.0-audio-flash اللغتين الصينية والإنجليزية، «بما في ذلك لهجات ولغات محلية متنوعة»، وتُبرز أبرز مزاياه التسجيلات متعددة المتحدثين والبيئات الصاخبة. هذه الصياغة محددة بما يكفي لتكون قابلة للتحقق، وغامضة بما يكفي بحيث ينبغي أن تتحقق منها: «لهجات ولغات محلية متنوعة» في نموذج صوتي صيني تعني عادةً لهجات إقليمية في الماندرين وواحدة أو اثنتين على الأقل من تنويعات اليوية، لكن بطاقة النموذج لا تُعدّدها.

تغطية اللغات في Qwen-Audio-3.1 غير مذكورة في مدخل الفهرس. تاريخيًا، غطّت سلسلة Alibaba الصوتية الأوسع مجموعة واسعة من اللغات واللهجات الصينية، لكن تغطية منتج شقيق ليست توثيقًا لهذا المنتج، والموقف المعقول هو أن العدد غير معروف إلى أن تنص صفحة التفاصيل على خلاف ذلك.

كلا الطرازين يأتي من مختبرات صينية، وكلاهما سيكون أقوى حيث كانت بيانات تدريبه أكثف. ولا تقدّم أي من البطاقتين ادعاءً يمكن تكذيبه دون تمرير صوت عبره. وهذا هو الاختبار: خُذ عشرين دقيقة من أسوأ تسجيلاتك — التسجيل المليء بالضجيج، والتسجيل الذي يتبادل فيه المتحدثون اللغات، والتسجيل الذي يتحدث فيه ثلاثة أشخاص فوق بعضهم — ومرّرها عبر كليهما. سيقول لك أكثر من أي مخطط تنشره أي من المختبرين.

ما الذي قد يغيّر الصورة؟

حدثان. أولًا، إذا نشرت A​libaba أوزان Q​wen-Audio-3.1 — فقد سبق أن أتاح خط Q​wen الأوزان لنماذج النصوص والرؤية مرارًا، لذا ليس هذا من نسج الخيال — فإن المقارنة بأكملها تنهار إلى «نقطتَي تفتيش بترخيص MIT أو Apache، قارنهما على عتادك»، ويموت تأطير الكتالوج مقابل المجلد. ثانيًا، إذا أدرج مزوّد خدمة Ming-3.0-audio-flash خلف نقطة نهاية متوافقة مع OpenAI وبسعر منشور، فإن حدّ ثماني وحدات GPU يتوقف عن كونه مشكلة القارئ ويصبح المنتجان قابلين للمقارنة مباشرةً من حيث السعر لكل ساعة من الصوت.

لم يحدث أيٌّ منهما. حتى كتابة هذه السطور، يمكن استدعاء عائلة Qwen-Audio-3.1 لكن لا يمكن تنزيل أوزانها؛ بينما يمكن تنزيل أوزان Ming-3.0-audio-flash لكن لا يمكن استدعاؤه إلا على عتادٍ توفّره أنت. هذه هي المواجهة كاملة، وهي مواجهة تتعلق بالتوزيع، لا بجودة الصوت.

كيف تقرر هذا الأسبوع

إذا كنت بحاجة إلى نقطة نهاية لتحويل الكلام إلى نص اليوم وكنت بالفعل على Alibaba Cloud، فإن وحدات SKU الخاصة بـ Qwen-Audio-3.1 ASR هي المسار الأقصر، والمخاطر التشغيلية هنا حصة محددة لا استدعاءً لمهندس المناوبة. وإذا كنت بحاجة إلى تحويل الكلام إلى كلام في البنية نفسها، qwen-audio-3.1-realtime-plus هو الخيار الموثّق، وسعره مسألة تُطرح في لوحة التحكم لا في مدونة.

إذا كنت بحاجة إلى امتلاك النموذج — سواء لدواعٍ تنظيمية، أو لبيئة معزولة عن الشبكة، أو لمجرد اقتناعك بأن صوتك هو الأصل وبأنه لا ينبغي استئجار النموذج — فإن Ming-3.0-audio-flash هو الوحيد من بين هذين الاثنين الذي يتيح لك ذلك. احسب في ميزانيتك ثمانية H800s للملف الكامل، وأربعة للنص فقط، وأسبوعًا من تقييمك الخاص قبل أن تصدّق أي شيء في صور المقارنات المعيارية.

وإذا لم تكن متأكدًا من أيّ من هذين أنت، فالإجابة هي لا هذا ولا ذاك، بعد. شغّل صوتك عبر نقطة نهاية مستضافة، وقِس معدل الخطأ الذي يمكنك التعايش معه، ودع ذلك الرقم يخبرك ما إذا كانت الأجهزة تستحق الشراء. اختيار النموذج يأتي بعد هذا القياس، لا قبله.